基于图神经网络的车间作业调度问题综述
人工智能
2024-12-09 v3 机器学习
摘要
车间作业调度问题（JSSPs）代表着一类关键且具有挑战性的组合优化问题。近年来，图神经网络（GNNs）在解决JSSPs方面的应用迅速增长，尽管缺乏对相关文献的系统性综述。本文旨在全面审阅针对不同类型的JSSPs及 closely related 的流水线调度问题（FSPs）的主流GNN方法，尤其是利用深度强化学习（DRL）的方法。我们首先呈现各种JSSPs的图表示方法，随后介绍最常用的GNN架构。随后，我们综述当前用于每种问题类型的GNN-based方法，强调关键技术要素，包括图表示、GNN架构、GNN任务和训练算法。最后，我们总结并分析GNNs在解决JSSPs方面的优势与局限，并提供潜在的未来研究机会。我们希望本综述能够激发和启发创新方法，以实现更强大的GNN-based方法来应对JSSPs及其他调度问题。
引用
@article{arxiv.2406.14096,
title = {Graph Neural Networks for Job Shop Scheduling Problems: A Survey},
author = {Igor G. Smit and Jianan Zhou and Robbert Reijnen and Yaoxin Wu and Jian Chen and Cong Zhang and Zaharah Bukhsh and Yingqian Zhang and Wim Nuijten},
journal= {arXiv preprint arXiv:2406.14096},
year = {2024}
}
备注
Accepted by Computers & Operations Research